Об этом курсе
Недавно просмотрено: 10,770

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 24 часа на выполнение

Английский

Субтитры: Английский

Приобретаемые навыки

AlgorithmsExpectation–Maximization (EM) AlgorithmGraphical ModelMarkov Random Field

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Продвинутый уровень

Прибл. 24 часа на выполнение

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
16 минуты на завершение

Learning: Overview

1 видео ((всего 16 мин.))
1 видео
1 ч. на завершение

Review of Machine Learning Concepts from Prof. Andrew Ng's Machine Learning Class (Optional)

6 видео ((всего 59 мин.))
6 видео
Regularization: Cost Function 10мин
Evaluating a Hypothesis 7мин
Model Selection and Train Validation Test Sets 12мин
Diagnosing Bias vs Variance 7мин
Regularization and Bias Variance11мин
2 ч. на завершение

Parameter Estimation in Bayesian Networks

5 видео ((всего 77 мин.)), 2 тестов
5 видео
Maximum Likelihood Estimation for Bayesian Networks15мин
Bayesian Estimation15мин
Bayesian Prediction13мин
Bayesian Estimation for Bayesian Networks17мин
2 практического упражнения
Learning in Parametric Models18мин
Bayesian Priors for BNs8мин
Неделя
2
21 ч. на завершение

Learning Undirected Models

3 видео ((всего 52 мин.)), 2 тестов
3 видео
Maximum Likelihood for Conditional Random Fields13мин
MAP Estimation for MRFs and CRFs9мин
1 практического упражнения
Parameter Estimation in MNs6мин
Неделя
3
17 ч. на завершение

Learning BN Structure

7 видео ((всего 106 мин.)), 3 тестов
7 видео
Likelihood Scores16мин
BIC and Asymptotic Consistency11мин
Bayesian Scores20мин
Learning Tree Structured Networks12мин
Learning General Graphs: Heuristic Search23мин
Learning General Graphs: Search and Decomposability15мин
2 практического упражнения
Structure Scores10мин
Tree Learning and Hill Climbing8мин
Неделя
4
22 ч. на завершение

Learning BNs with Incomplete Data

5 видео ((всего 83 мин.)), 3 тестов
5 видео
Expectation Maximization - Intro16мин
Analysis of EM Algorithm11мин
EM in Practice11мин
Latent Variables22мин
2 практического упражнения
Learning with Incomplete Data8мин
Expectation Maximization14мин
4.6
Рецензии: 32Chevron Right

43%

начал новую карьеру, пройдя эти курсы

31%

получил значимые преимущества в карьере благодаря этому курсу

18%

стал больше зарабатывать или получил повышение

Лучшие отзывы о курсе Probabilistic Graphical Models 3: Learning

автор: LLJan 30th 2018

very good course for PGM learning and concept for machine learning programming. Just some description for quiz of final exam is somehow unclear, which lead to a little bit confusing.

автор: ZZFeb 14th 2017

Great course! Very informative course videos and challenging yet rewarding programming assignments. Hope that the mentors can be more helpful in timely responding for questions.

Преподаватели

Avatar

Daphne Koller

Professor
School of Engineering

О Стэнфордский университет

The Leland Stanford Junior University, commonly referred to as Stanford University or Stanford, is an American private research university located in Stanford, California on an 8,180-acre (3,310 ha) campus near Palo Alto, California, United States....

Специализация Графические вероятностные модели : общие сведения

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems....
Графические вероятностные модели

Часто задаваемые вопросы

  • Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.

  • Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.

  • Compute the sufficient statistics of a data set that are necessary for learning a PGM from data

    Implement both maximum likelihood and Bayesian parameter estimation for Bayesian networks

    Implement maximum likelihood and MAP parameter estimation for Markov networks

    Formulate a structure learning problem as a combinatorial optimization task over a space of network structure, and evaluate which scoring function is appropriate for a given situation

    Utilize PGM inference algorithms in ways that support more effective parameter estimation for PGMs

    Implement the Expectation Maximization (EM) algorithm for Bayesian networks

    Honors track learners will get hands-on experience in implementing both EM and structure learning for tree-structured networks, and apply them to real-world tasks

Остались вопросы? Посетите Центр поддержки учащихся.